Predicting interest rate swap spreads behind the linear regression ECM and the yield curve, via machine learning

Resumo

Esta dissertação tem como objetivo prever US 10-year Interest Rate Swap spreads fora da amostra, utilizando os últimos 20 anos de dados, que englobam eventos relevantes como a crise financeira de 2008, o puzzle dos spreads negativos, a escassez de liquidez e a pandemia COVID-19. Esta dissertação afasta-se da tradicional abordagem teórica dos swap spreads, adoptando uma perspetiva estatística alinhada com as práticas da banca de investimento que dá prioridade ao desempenho dos modelos e à precisão das previsões. Inspirando-se no contributo de Kobor et al. (2005) e Cortez (2003), estende os seus Modelos de Correção do Erro (MCE) com regressão linear a algoritmos de machine learning, abrangendo um período de tempo mais alargado e integrando novas variáveis para captar as variações para além das variáveis relacionadas com a oferta de obrigações do Tesouro. As principais descobertas revelam uma cointegração entre os USD swap spreads dos EUA e a oferta de obrigações do Tesouro dos EUA, corroborando evidências anteriores, enquanto os desvios de curto prazo da tendência estão associados a factores como o AA spread, a repo rate e o TED spread, mas também a dados sobre notícias, sentimento e incerteza relativamente ao mercado. Outro fator-chave surpreendente parece estar cointegrado com os USD swap spreads dos EUA: a tendência de pesquisas no Google do termo "Interest rate swap". Os modelos de machine learning superaram o MCE de regressão linear na previsão dos swap spreads, sublinhando o seu potencial em aplicações financeiras.

Data de atribuição	22 jan. 2024
Idioma original	English
Instituição de premiação	Universidade Católica Portuguesa
Supervisor	Dan Tran (Supervisor)